自適應高斯變異花授粉算法

李文超， 賀興時， 賀飛躍， 楊新社

（1.西安工程大學理學院，西安 710048； 2.密德薩斯大學科學與技術學院，英國倫敦 NM4 4BT）

人類在研究領域和工程領域面臨眾多亟待解決的優化問題. 傳統優化算法在解決這些問題時，求解精度和收斂速度等方面均不能滿足實際需求且耗時、耗力. 因此，學者們開發了大量的自然啟發式優化算法，如粒子群優化算法（Particle Swarm Optimization，PSO）［1］、象群游牧算法（Elephant Herding Optimization）［2］等.

最近，英國學者Yang［3］受自然界植物花朵授粉過程的啟發提出了一種新穎的元啟發式算法——花授粉算法（Flower Pollination Algorithm，FPA）. 基于FPA的實現簡單、參數少、易調節等優點，FPA已廣泛用于函數優化［4］、移動機器人路徑規劃［5］、車間調度［6］等領域. 然而與其他仿生優化算法類似，基本FPA也存在收斂精度低、速度慢、維數敏感等問題［7］. 為此，國內外學者針對基本花授粉優化算法進行諸多研究，主要體現在以下3個方面：①初始種群的改進. 由于群智能優化算法的初始種群為以后進化過程提供了初始猜想，所以初始種群質量的好壞影響了算法收斂速度和收斂精度等. 基本FPA算法采用隨機的方式對種群進行初始化，導致種群分布不均，算法容易早熟. 針對這種缺陷，張水平和高棟［8］利用霍爾頓序列生成更加均勻的初始種群；寧杰瓊和何慶［9］認為Logistic 混沌映射可以使種群分布更加均勻. ②轉換概率的改進. 轉換概率可以調整FPA算法中全局搜索和局部搜索之間平衡［10］；Valenzuela等［11］利用模糊推理系統動態調整轉換概率，有助于算法跳出局部最優；Liu等［12］將韋伯分布函數與迭代次數結合用于控制轉換概率，有助于全局搜索和局部搜索之間平衡；……